本研究探讨时空点过程（STPPs）的复杂依赖性和异质性动态，运用深度学习技术克服传统方法的局限，揭示相关挑战与新兴趋势。

本研究提出了一种新方法，解决了传统数据影响估计在现代训练中的有效性问题，特别是数据顺序的敏感性。研究发现，训练初期和后期的数据点对模型影响显著，从而为数据选择提供了新策略。

本文量化了系统 $X$ 和 $Y$ 之间的依赖性，提出了新的依赖性度量 $B(X,Y|D)$，该度量通过贝叶斯比较方法有效识别支持依赖模型的证据，并揭示了其与互信息的相似性和差异性。

本研究提出了一种基于图神经网络的框架，有效解决了现有模型在预测表面活性剂混合物的临界胶束浓度（CMC）方面的不足，显著提升了二元混合物的预测精度。

本研究探讨大型视觉语言模型（LVLMs）在长期推理中的表现问题，发现其过于依赖文本信息而导致视觉依赖性降低。我们提出了一种新的无训练上下文修剪方法，旨在选择性去除不重要的文本信息，从而增强视觉依赖性并提高LVLM的长期推理性能。实验证明，该方法有效改善了各类LVLM在长期上下文中的表现。

研究发现，大型语言模型在指令微调后，其输入上下文依赖性会先增加后减少。这一现象被称为“上下文参数反演”。文章分析了原因并提出缓解策略。

本研究解决了多变量时间序列（MTS）异常检测中对相互依赖性认识不足的问题。提出的MADGA方法将异常检测重新定义为图对齐问题，利用相互依赖性信息捕捉变化，从而提升检测准确性。实验结果表明，MADGA在各种真实数据集上展示了卓越的异常检测能力和优越的分类效果。

ProgSyn是一种生成合成表格数据的算法，解决了隐私和数据共享问题。通过预训练和微调，确保数据质量和定制能力。实验表明其在多种条件下表现出色，适用于生成受限数据。

数据库规范化的目标是减少冗余和依赖性，以提高数据库效率。规范化分为五个级别，要求每个表都有唯一主键，非主键属性完全依赖于主键，没有传递依赖。根据规则对学生、教师、课程和历史等表进行规范化。

现代生命科学越来越依赖于机器学习方法，本研究将其应用于生物科学的最新进展，并提出科学理解作为指导机器学习系统的原则。通过蛋白质结构预测和单细胞RNA测序的分析，探讨了机器学习在生物研究中的应用和发展。认识论特征的考虑将改善这些方法并推进对生命系统的科学理解。

研究发现，无人驾驶汽车提供错误的决策解释会降低乘客的信任和满意度，准确和适应性的解释对提升信任和依赖很重要，为设计可信的AV解释系统提供了指导。

本文研究了使用Ising自旋模型进行二进制对称隐马尔可夫过程的最大后验序列估计。研究发现，准确性随噪音增强线性降低；噪声值适中时，准确性几乎独立于噪声，但问题存在指数级解的数量；对于更大的噪声强度，解的数量再次减少，但准确性很差。不同噪声强度范围的Ising模型状态属于不同热力学相，相互相关，并通过一阶相变实现转换。

多模式大语言模型(MLLMs)可能会生成包含图片中不存在的对象的描述，称为对象幻觉。研究者提出了一种高效的精细遗忘框架(EFUF)，无需成对数据即可消除幻觉。实验证明该方法在保留适度计算开销的同时一致降低了幻觉，保持了生成质量。

本文介绍了一种基于转换器的W.A.L.T方法，用于逼真视频生成。通过因果编码器和窗口注意力架构，实现了跨模态的训练和生成。在已知的视频和图像生成基准上达到了最先进的性能。同时还训练了三个模型的串联，用于文本到视频生成任务。

可持续觅食问题是一个多智能体环境试验平台，研究了神经进化和深度递归 Q 网络在线学习的方法。利用长短期记忆学习时间依赖性帮助智能体开发了单个智能体的可持续策略，但未能帮助智能体处理多智能体场景中的社会困境。